Evaluando sin tests: el uso de redes neuronales para el diagnostico de competencias y la investigación de variables intervinientes en resultados educativos

MUSSO, M.; COSTIGAN, T.; CASCALLAR, E. C.

Guatemala

Congreso; XXXIII Congreso Interamericano de Psicología; 2009

Sociedad Interamericana de Psicologia

Una creciente literatura nos muestra los constantes cambios en prácticas evaluativas y la aparición de nuevos métodos de evaluación.  Ciertos desarrollos recientes, facilitados por avances metodológicos y tecnológicos, señalan la posibilidad de evaluar el desempeño de estudiantes en diversas actividades (por ejemplo, lectura, escritura, etc.) utilizando amplias muestras y una gran cantidad de datos de los mismos, sin la necesidad de utilizar pruebas tradicionales.  Al mismo tiempo se alcanzarían niveles mucho más altos de confiabilidad en los resultados y mayor validez por la amplitud de las variables predictoras.  Estos nuevos instrumentos deben ser lo suficientemente sensibles como para poder determinar con exactitud el nivel de desempeño esperado en los estudiantes. Además, deben poder incluir estas predicciones sobre la base de los niveles de aprendizaje observados y variables de un amplio espectro, tanto contextuales (socio-económico, cultural y familiar) como personales (cognitivas, autoeficia y motivacionales).  Existe una variedad de sistemas predictivos que pueden utilizarse.  Específicamente, para alcanzar esos objetivos, estos estudios utilizan sistemas predictivos basados en redes neuronales en análisis secuenciales. El presente trabajo informa sobre dos estudios pilotos: 1) para detectar y clasificar estudiantes con posibles dificultades futuras en el aprendizaje de la lectura, y 2) para detectar y clasificar estudiantes con posibles dificultades en la escritura, a distintos niveles de desempeño.  Sujetos: participaron 1050 y  1500 estudiantes respectivamente. Método: se utilizaron algoritmos de retropropagación dada su excelente generalizabilidad y su adecuación para la clasificación de casos extremos aún en situaciones de pocos datos. Los análisis comenzaron incluyendo 480 variables (estudio 1) y 2500 variables (estudio 2), que luego fueron agregadas en subescalas que se introdujeron en las redes neuronales. Todos los resultados obtenidos alcanzaron niveles entre 89% y 98% de clasificaciones correctas, derivadas de subescalas incluídas en un complejo modelo de autoregulación del aprendizaje y variables contextuales. Estos altos valores se lograron sin evaluar con tests los desempeños en lectura y escritura. Redes de Kohonen permitieron luego examinar los grupos de estudiantes agrupados en base a sus perfiles en las variables predictivas.  La presentación explicará esta metodología, sus bases teóricas, procedimientos aplicados y discusión de los resultados.